本發(fā)明涉及一種基于相似日篩選的負(fù)荷預(yù)測方法及系統(tǒng)，屬于電力負(fù)荷預(yù)測。

背景技術(shù)：

1、電力負(fù)荷預(yù)測是電力系統(tǒng)運行、規(guī)劃與調(diào)度中的重要環(huán)節(jié)。隨著智能電網(wǎng)的快速發(fā)展，電力負(fù)荷數(shù)據(jù)的采集、存儲和處理能力得到了顯著提升，為負(fù)荷預(yù)測提供了豐富的數(shù)據(jù)源。然而，傳統(tǒng)的負(fù)荷預(yù)測方法往往基于單一的數(shù)據(jù)源和簡單的預(yù)測模型，難以準(zhǔn)確捕捉電力負(fù)荷的復(fù)雜變化特性。傳統(tǒng)負(fù)荷預(yù)測方法通常僅依賴歷史負(fù)荷數(shù)據(jù)作為預(yù)測依據(jù)，忽略了其他可能影響負(fù)荷變化的因素，如天氣條件、節(jié)假日效應(yīng)、經(jīng)濟活動等。這種單一的數(shù)據(jù)源限制了預(yù)測模型的泛化能力和準(zhǔn)確性。

2、專利號為“cn118554429a”的專利文件開了一種基于多源數(shù)據(jù)的短期電力負(fù)荷預(yù)測方法。該方法存在的問題是：主要依賴于多源數(shù)據(jù)的廣泛采集與預(yù)處理，雖然考慮了數(shù)據(jù)的多樣性，但并未針對數(shù)據(jù)的相似性進行篩選，可能導(dǎo)致模型訓(xùn)練過程中引入不相關(guān)的噪聲數(shù)據(jù)。采用遷移學(xué)習(xí)的方法，基于已訓(xùn)練的短期電力負(fù)荷預(yù)測源模型構(gòu)建目標(biāo)模型。雖然遷移學(xué)習(xí)可以加速模型的訓(xùn)練過程，但模型的具體結(jié)構(gòu)和參數(shù)調(diào)整可能受限于源模型的特性，難以完全適應(yīng)新數(shù)據(jù)的特點。

技術(shù)實現(xiàn)思路

1、為了解決上述現(xiàn)有技術(shù)中存在的問題，本發(fā)明提出了一種基于相似日篩選的負(fù)荷預(yù)測方法及系統(tǒng)。

2、本發(fā)明的技術(shù)方案如下：

3、一方面，本發(fā)明提供了一種基于相似日篩選的負(fù)荷預(yù)測方法，包括以下步驟：

4、獲取實時的負(fù)荷數(shù)據(jù)與歷史的負(fù)荷數(shù)據(jù)，負(fù)荷數(shù)據(jù)包括溫度、氣壓以及濕度，將實時的負(fù)荷數(shù)據(jù)與歷史的負(fù)荷數(shù)據(jù)拼接作為訓(xùn)練數(shù)據(jù)集，對訓(xùn)練數(shù)據(jù)集進行歸一化處理，使用歸一化處理后的訓(xùn)練數(shù)據(jù)集訓(xùn)練bp神經(jīng)網(wǎng)絡(luò)；

5、將訓(xùn)練數(shù)據(jù)集輸入訓(xùn)練好的bp神經(jīng)網(wǎng)絡(luò)得到第一預(yù)測序列和第二預(yù)測序列，計算第一預(yù)測序列和第二預(yù)測序列的平均變化影響值，根據(jù)平均變化影響值減少訓(xùn)練數(shù)據(jù)集的維度；

6、確定實時的負(fù)荷數(shù)據(jù)與歷史的負(fù)荷數(shù)據(jù)的相似日，根據(jù)相似日過濾訓(xùn)練數(shù)據(jù)集中非相似日對應(yīng)的數(shù)據(jù)，得到特征集；

7、對特征集進行數(shù)據(jù)分解，并根據(jù)預(yù)設(shè)的頻率閾值將分解后的信號劃分為高頻分量和低頻分量；

8、使用高頻分量訓(xùn)練cnn-bilstm模型，使用低頻分量訓(xùn)練informer模型，使用cnn-bilstm模型與informer模型對負(fù)荷進行預(yù)測，并將預(yù)測結(jié)果融合得到最終負(fù)荷結(jié)果。

9、作為優(yōu)選實施方式，對訓(xùn)練數(shù)據(jù)集中的維度進行篩選，包括以下步驟：

10、在訓(xùn)練數(shù)據(jù)集的各維度數(shù)據(jù)中隨機選擇一個數(shù)據(jù)增加10％得到第一訓(xùn)練集p1：

11、

12、在訓(xùn)練數(shù)據(jù)集的各維度數(shù)據(jù)中隨機選擇一個數(shù)據(jù)減少10％得到第二訓(xùn)練集p2：

13、

14、其中，sm表示訓(xùn)練數(shù)據(jù)集的第m個維度數(shù)據(jù)需要預(yù)測的負(fù)荷，xmi表示訓(xùn)練數(shù)據(jù)集的第m個維度的第i個數(shù)據(jù)，n表示一個維度的數(shù)據(jù)的最大數(shù)量；

15、將第一訓(xùn)練集p1和第二訓(xùn)練集p2的am輸入訓(xùn)練好的bp神經(jīng)網(wǎng)絡(luò)得到第一預(yù)測序列和第二預(yù)測序列

16、其中，表示第一訓(xùn)練集p1的第m個維度的數(shù)據(jù)的預(yù)測結(jié)果，表示第二訓(xùn)練集p2的第m個維度的數(shù)據(jù)的預(yù)測結(jié)果；

17、計算第一預(yù)測序列和第二預(yù)測序列的平均變化影響值：

18、

19、a1、令i＝1；

20、a2、若大于或等于miv則不做任何操作；否則刪除訓(xùn)練數(shù)據(jù)集的第i個維度；

21、a3、i＝i+1；

22、a4、執(zhí)行步驟a2直到i＝m結(jié)束。

23、作為優(yōu)選實施方式，相似日的確定方法為：

24、計算第f個歷史時間周期的歷史的負(fù)荷數(shù)據(jù)與實時的負(fù)荷數(shù)據(jù)的趨勢相似度rmn(f)：

25、

26、其中，an表示實時的負(fù)荷數(shù)據(jù)，af表示第f個歷史時間周期的負(fù)荷數(shù)據(jù)，e()表示數(shù)學(xué)期望，d()表示方差；

27、計算第f個歷史時間周期的歷史的負(fù)荷數(shù)據(jù)與實時的負(fù)荷數(shù)據(jù)的差異度omn(f)：

28、

29、其中，t表示預(yù)設(shè)負(fù)荷數(shù)據(jù)數(shù)量，t表示負(fù)荷數(shù)據(jù)總數(shù)，xf,t表示t個第f歷史時間周期的負(fù)荷數(shù)據(jù)，xn,t表示t個實時的負(fù)荷數(shù)據(jù)；

30、將所述趨勢相似度rmn(f)與差異度omn(f)進行歸一化處理得到相似度系數(shù)vmn(f)：

31、

32、計算第f個歷史時間周期的歷史的負(fù)荷數(shù)據(jù)與實時的負(fù)荷數(shù)據(jù)的日期匹配系數(shù)ci(t)：

33、

34、其中，a1、a3表示預(yù)設(shè)衰減系數(shù)、βi表示預(yù)設(shè)邏輯變量，f()表示取整函數(shù)，r()表示取余函數(shù)，b表示預(yù)設(shè)天數(shù)，n1、m2表示一周天數(shù)，n3表示日期距離；

35、將相似度系數(shù)vmn(f)與日期匹配系數(shù)ci(t)相加得到總匹配系數(shù)，計算f個歷史時間周期的總匹配系數(shù)平均值，將總匹配系數(shù)大于或等于總匹配系數(shù)平均值歷史時間周期作為相似日。

36、作為優(yōu)選實施方式，數(shù)據(jù)分解的方法為：

37、s1、令特征集表示為x(t)；

38、s2、對特征集x(t)進行預(yù)處理得到信號序列{x1(t),...,x2(t),...,xi(t)}：

39、xi(t)＝x(t)+εδi(t)；

40、其中，ε表示噪聲系數(shù)，δi(t)表示第i次噪聲；

41、s3、使用經(jīng)驗?zāi)B(tài)分解emd對信號序列中的第i個特征信號xi(t)進行分解得到k個模態(tài)分量，計算k個模態(tài)分量的均值得到第i個特征信號的本征模函數(shù)imf,i(t)：

42、

43、其中，表示第j個模態(tài)分量；

44、第i個特征信號的余量信號r(t)表示為：

45、r(t)＝xi(t)-imf,i(t)；

46、s4、將余量信號r(t)作為特征集執(zhí)行步驟s2，直到s4達到預(yù)設(shè)的最大執(zhí)行次數(shù)結(jié)束；

47、s5、第i個特征信號xi(t)表示為：

48、

49、其中，h表示預(yù)設(shè)的最大執(zhí)行次數(shù)，imf,p(t)表示i個特征信號xi(t)的第p次分解的本征模函數(shù)imf,p(t)；

50、將前個imf,p(t)作為高頻分量，剩余的作為低頻分量。

51、作為優(yōu)選實施方式，cnn-bilstm模型與informer模型的預(yù)測結(jié)果融合的方法為：

52、

53、其中，xg表示最終預(yù)測結(jié)果，表示cnn-bilstm模型預(yù)測結(jié)果，表示informer模型預(yù)測結(jié)果，表示拼接。

54、另一方面，本發(fā)明還提供了一種基于相似日篩選的負(fù)荷預(yù)測系統(tǒng)，包括：

55、數(shù)據(jù)采集模塊：獲取實時的負(fù)荷數(shù)據(jù)與歷史的負(fù)荷數(shù)據(jù)，負(fù)荷數(shù)據(jù)包括溫度、氣壓以及濕度，將實時的負(fù)荷數(shù)據(jù)與歷史的負(fù)荷數(shù)據(jù)拼接作為訓(xùn)練數(shù)據(jù)集，對訓(xùn)練數(shù)據(jù)集進行歸一化處理，使用歸一化處理后的訓(xùn)練數(shù)據(jù)集訓(xùn)練bp神經(jīng)網(wǎng)絡(luò)；

56、數(shù)據(jù)處理模塊：將訓(xùn)練數(shù)據(jù)集輸入訓(xùn)練好的bp神經(jīng)網(wǎng)絡(luò)得到第一預(yù)測序列和第二預(yù)測序列，計算第一預(yù)測序列和第二預(yù)測序列的平均變化影響值，根據(jù)平均變化影響值減少訓(xùn)練數(shù)據(jù)集的維度；

57、相似日計算模塊：確定實時的負(fù)荷數(shù)據(jù)與歷史的負(fù)荷數(shù)據(jù)的相似日，根據(jù)相似日過濾訓(xùn)練數(shù)據(jù)集中非相似日對應(yīng)的數(shù)據(jù)，得到特征集；

58、數(shù)據(jù)分解模塊：對特征集進行數(shù)據(jù)分解，并根據(jù)預(yù)設(shè)的頻率閾值將分解后的信號劃分為高頻分量和低頻分量；

59、負(fù)荷預(yù)測模塊：使用高頻分量訓(xùn)練cnn-bilstm模型，使用低頻分量訓(xùn)練informer模型，使用cnn-bilstm模型與informer模型對負(fù)荷進行預(yù)測，并將預(yù)測結(jié)果融合得到最終負(fù)荷結(jié)果。

60、本發(fā)明具有如下有益效果：

61、本發(fā)明通過確定實時與歷史的相似日來過濾非相似日數(shù)據(jù)，形成特征集，使模型更加專注于與當(dāng)前負(fù)荷變化相關(guān)性高的相似歷史數(shù)據(jù)，從而減少非相似日數(shù)據(jù)對預(yù)測結(jié)果的干擾，提高預(yù)測的準(zhǔn)確性。對特征集進行數(shù)據(jù)分解，劃分高頻和低頻分量，并分別使用cnn-bilstm模型和informer模型進行訓(xùn)練。這種分解和針對性建模的方式，能夠更好地捕捉負(fù)荷數(shù)據(jù)中的不同頻率特征，進一步提升預(yù)測精度。例如，cnn-bilstm模型可以有效提取高頻分量中的局部特征和時序信息，而informer模型則在處理低頻分量時表現(xiàn)出色，能夠挖掘長期依賴關(guān)系和全局信息。